{{{sourceTextContent.title}}}

La maintenance prédictive offre un aperçu de l'avenir

{{{sourceTextContent.subTitle}}}

L'intelligence artificielle fait passer la maintenance prédictive à un niveau supérieur, en détectant des indices subtils pour optimiser les programmes de maintenance, identifier les défauts et prévoir les pannes avant qu'elles ne provoquent des temps d'arrêt ou des dommages coûteux.

{{{sourceTextContent.description}}}

La maintenance prédictive consiste à surveiller les sons, les vibrations et d'autres caractéristiques des machines afin d'obtenir des informations sur leur fonctionnement. Les machines modernes sont souvent équipées de capteurs intégrés, tandis que des capteurs externes peuvent être installés sur des équipements plus anciens pour assurer une surveillance continue de l'état des machines et des diagnostics à la demande.

Si la maintenance "prédictive" permet de prévoir un incident, l'exploitation optimale de ces informations nécessite de les combiner avec la maintenance "prescriptive". Celle-ci conseille sur la meilleure marche à suivre pour traiter ou éviter l'incident prévu, explique Nicolas Layus, directeur de la BU ADI OtoSense chez Analog Devices.

Plateforme d'interprétation de détection pilotée par l'IA, ADI OtoSense est une solution agnostique conçue pour fonctionner avec une large gamme de machines et de capteurs. Elle s'étend à la surveillance du bruit ambiant pour détecter des problèmes qui pourraient être négligés par les capteurs embarqués. Par exemple, elle peut analyser le son produit par l'emboîtement des pièces sur une chaîne de montage afin de vérifier l'absence de défauts, ou écouter les faibles bruits de raclage qui indiquent qu'un bras robotique a frôlé quelque chose.

ADI OtoSense ne se contente pas d'analyser toutes ces données sensorielles, il tire également parti de l'expertise humaine pour leur donner un sens, explique M. Layus.

"Vous pouvez former notre solution sur n'importe quel équipement spécifique, dans votre environnement de fonctionnement exact, mais cette formation n'a pas besoin d'être effectuée par un data scientist ou un autre spécialiste. Vous pouvez avoir quelqu'un qui travaille sur une machine depuis des décennies, qui l'écoute, la sent et sait exactement ce qu'elle fait à tout moment - c'est lui qui peut former le système, afin de s'assurer que son expertise du domaine ne se perde pas avec le temps."

Outre la surveillance des équipements déjà en service, la technologie peut également améliorer la fiabilité et réduire les temps d'arrêt en améliorant les tests d'assurance qualité avant que les machines ne quittent l'usine. Cela peut réduire considérablement la durée des tests tout en améliorant la précision globale.

Une fois que la machine est sur le terrain, les fabricants peuvent proposer à leurs clients un service de surveillance à distance des performances afin d'améliorer les performances et de réduire les temps d'arrêt. Dans le cadre d'un accord mutuellement bénéfique, les fabricants pourraient également tirer parti de ces données sur les performances en situation réelle afin d'améliorer la conception des produits.

À l'avenir, ce type de surveillance continue pilotée par l'IA permettra à davantage de fabricants de proposer un modèle "as-a-service" complet, déjà courant dans le domaine des logiciels avec des services tels qu'Office 365 de Microsoft.

Tout comme Microsoft est passé de la vente d'exemplaires uniques de Word et d'Excel à la vente d'abonnements annuels, les fabricants de moteurs pourraient dépasser la simple vente de matériel pour proposer un modèle de couple en tant que service.

"Ce type de transformation en tant que service se produit dans de nombreux secteurs manufacturiers, mais si vous voulez offrir ce type de service de manière fiable, vous devez savoir exactement ce qui se passe avec vos actifs tels que les moteurs sur le terrain. Une fois que les fabricants sont armés de cette connaissance, ils ont le pouvoir de réimaginer complètement leur modèle économique pour être prêts pour l'avenir."

{{medias[150772].title}}

{{medias[150772].description}}